基本概念

1.概念学习：是指从某个布尔函数的输入输出训练样例中推断出来该布尔函数。

 

2.训练集（training set/data）/训练样例（training example）：用来进行训练，也就是产生模型或者算法的数据集。

 

3.测试集（testing set/data）/测试样例（testing example）：用来专门进行测试已经学习好的模型或者算法的数据集。

 

4.特征向量（features/feature vector）：属性的集合，通常用一个向量来表示，附属一个实例。

 

5.标记（label）：c(x)，实例类别的标记。

 

6.正例（positive example）

7.反例（negative example）

 

8.分类（classification）：目标标记为类别型数据（category）。

9.回归（regression）：目标标记为连续性数值（continuous numeric value）。

 

10.有监督学习（supervised learning）：训练集有类别标记（class label）。

11.无监督学习（unsupervised learning）:无类别标记（class label）。

12.半监督学习（semi-supervised learning）：有类别标记的训练集+无类别标记的训练集。

 

13.机器学习步骤框架：

①把数据拆分为训练集和测试集。

②用训练集和训练集的特征向量来训练算法。

③用学习来的算法运用在测试集上来评估算法（可能要设计到调整参数（parameter tuning），用验证集（validation set））。

转载于:https://www.cnblogs.com/zhzcode/p/9780441.html